論文の概要: X2Graph for Cancer Subtyping Prediction on Biological Tabular Data

• arxiv url: http://arxiv.org/abs/2505.23334v1
• Date: Thu, 29 May 2025 10:50:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.817037
• Title: X2Graph for Cancer Subtyping Prediction on Biological Tabular Data
• Title（参考訳）: 生物学的タブラリデータを用いた癌サブタイプ予測のためのX2グラフ
• Authors: Tu Bui, Mohamed Suliman, Aparajita Haldar, Mohammed Amer, Serban Georgescu,
• Abstract要約: X2Graphは,小さな生物学的データセット上で高い性能を実現する新しい深層学習手法である。 X2Graphは、遺伝子相互作用などのテーブル列間の関係に関する外部知識を活用して、各サンプルをグラフ構造に変換する。 筆者らのX2Graph法は,既存の3つの癌サブタイプデータセットにおける木に基づく深層学習法と比較して,優れた性能を示す。
• 参考スコア（独自算出の注目度）: 8.26719624422426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the transformative impact of deep learning on text, audio, and image datasets, its dominance in tabular data, especially in the medical domain where data are often scarce, remains less clear. In this paper, we propose X2Graph, a novel deep learning method that achieves strong performance on small biological tabular datasets. X2Graph leverages external knowledge about the relationships between table columns, such as gene interactions, to convert each sample into a graph structure. This transformation enables the application of standard message passing algorithms for graph modeling. Our X2Graph method demonstrates superior performance compared to existing tree-based and deep learning methods across three cancer subtyping datasets.
• Abstract（参考訳）: 深層学習がテキスト、オーディオ、画像データセットに与える影響にもかかわらず、表形式のデータ、特にデータが乏しい医療領域では、その優位性は明らかになっていない。 本稿では,小さな生物学的表型データセット上で高い性能を実現する新しい深層学習手法であるX2Graphを提案する。 X2Graphは、遺伝子相互作用などのテーブル列間の関係に関する外部知識を活用して、各サンプルをグラフ構造に変換する。 この変換により、標準的なメッセージパッシングアルゴリズムをグラフモデリングに適用することができる。 筆者らのX2Graph法は,既存の3つの癌サブタイプデータセットにおける木に基づく深層学習法と比較して,優れた性能を示す。

関連論文リスト

• Tab2Visual: Overcoming Limited Data in Tabular Data Classification Using Deep Learning with Visual Representations [0.09999629695552192]
  異種表データを視覚表現に変換する新しい手法であるTab2Visualを提案する。 提案手法を多種多様なデータセットに対して広範囲に評価し,その性能を幅広い機械学習アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2025-02-11T02:12:29Z)
• TabGraphs: A Benchmark and Strong Baselines for Learning on Graphs with Tabular Node Features [17.277932238538302]
  タブラル機械学習はグラフ機械学習の手法の恩恵を受けるかもしれない。 グラフニューラルネットワーク(GNN)は、予測性能が向上することが多い。 単純な機能前処理により、GNNと競合し、さらに性能も向上する。
  論文  参考訳（メタデータ） (2024-09-22T15:53:19Z)
• TabGSL: Graph Structure Learning for Tabular Data Prediction [10.66048003460524]
  本稿では,グラフ構造学習(Tabular Graph Structure Learning, TabGSL)という新しい手法を提案する。 30のベンチマークデータセットで実施された実験では、TabGSLがツリーベースモデルと最近のディープラーニングベースモデルの両方を著しく上回っていることが示されている。
  論文  参考訳（メタデータ） (2023-05-25T08:33:48Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Graph Transplant: Node Saliency-Guided Graph Mixup with Local Structure Preservation [27.215800308343322]
  グラフトランスポート(Graph Transplant)と呼ばれるグラフレベルでMixupライクなグラフ拡張手法を提案する。 本手法では, 局所情報を保存可能な混合単位としてサブ構造を同定する。 複数のグラフ分類ベンチマークデータセットを用いて,多様なGNNアーキテクチャを用いて提案手法を広範囲に検証する。
  論文  参考訳（メタデータ） (2021-11-10T11:10:13Z)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。